Untitled

Introducion

El propósito de este documento es brindar información sobre las regiones socioeconómicas de Costa Rica del Atlas Digital de Costa Rica 2014 . Este atlas brinda una visión completa y detallada de los aspectos geoespaciales y socioeconómicos de varias regiones del país, lo que permite comprender el desarrollo de estas regiones. También tiene en cuenta la presencia de mamíferos en Costa Rica recopilados a través del portal de datos GBIF (Global Biodiversity Information Facility). Estos registros son una fuente invaluable de información sobre las diversas especies de mamíferos que se encuentran en el país y están disponibles para investigadores, científicos y entusiastas de la biodiversidad interesados en la investigación y conservación de la vida silvestre. Este documento combina datos socioeconómicos y biológicos para brindar una visión general integral de la región costarricense desde múltiples perspectivas

Carga de paquetes

::: {.cell labe=‘carga- paquetes’ code- fold=‘show’}

# Carga de paquetes
library(tidyverse)
library(DT)
library(sf)
library(rgdal)
library(ggplot2)
library(plotly)
library(raster)
library(terra)
library(leaflet)
library(leaflet.extras)
library(leafem)
library(viridisLite)
library(ggthemes)
library(hrbrthemes)
library(readr)

:::

Carga de datos

Regiones

::: {.cell labe=‘carga-Regiones’ code- fold=‘show’}

regiones<-
  st_read("regiones_socioeconomicas_simp_10m.geojson",
          quiet= TRUE
          ) |>
  st_transform(4326)

:::

Registros de Mamiferos

::: {.cell labe=‘carga- mamiferos’ code- fold=‘show’}

# Carga de datos de Mamiferos de Costa Rica
mamiferos <-
  st_read(
    "mamiferos.csv",
    options = c(
      "X_POSSIBLE_NAMES=decimalLongitude", # columna de longitud decimal
      "Y_POSSIBLE_NAMES=decimalLatitude"   # columna de latitud decimal
    ),
    quiet = TRUE
  )

# Asignación del CRS WGS84
st_crs(mamiferos) <- 4326

:::

##1 Unión (join) espacial de regiones que son poligonos con registros de mamiferos (pts)

::: {.cell labe=‘carga- union-mamiferos-regiones’ code- fold=‘show’}

mamiferos_union_regiones <- 
  st_join(
    x = mamiferos,
    y = dplyr::select(regiones, region), #selección de columna codigo
    join = st_within
  )

:::

::: {.cell labe=‘carga- conteo-mamiferos-regiones’ code- fold=‘show’}

riqueza_especies_mamiferos_regiones <-
  mamiferos_union_regiones |>
  st_drop_geometry() |> #para quitar la geometria
  group_by(region) |>
  summarize(riqueza_especies_mamiferos_regiones = n_distinct(species, na.rm = TRUE)) # n.a para quitar nulos

:::

::: {.cell labe=‘carga- union-regiones-riqueza’ code- fold=‘show’}

regiones_union_riqueza <-
  left_join(
    x = regiones,
    y = riqueza_especies_mamiferos_regiones,
    by = "region"
  ) |>
  replace_na(list(riqueza_especies_mamiferos = 0)) #para cambiar nulo por 0

:::

##2 Conteo de la cantidad de especies de félidos en cada cantón

::: {.cell labe=‘carga- union-mamiferos-regiones’ code- fold=‘show’}

# Despliegue de los datos unidos de mamiferos y la columna cod_regiones de regiones
regiones_union_riqueza |>
  st_drop_geometry() |>
  dplyr::select(riqueza_especies_mamiferos_regiones, region) |>
  datatable(
    colnames = c("riqueza_especies_mamiferos_regiones", "Región"),
    options = list(
      pageLength = 15,
      language = list(url = '//cdn.datatables.net/plug-ins/1.10.11/i18n/Spanish.json')
    )
  )

:::

##3. Unión no espacial de regiones con el dataframe de riqueza de especies en regiones

::: {.cell labe=‘carga- union-regiones-riqueza’ code- fold=‘show’}

regiones_union_riqueza <-
  left_join(
    x = regiones,
    y = riqueza_especies_mamiferos_regiones,
    by = "region"
  ) |>
  replace_na(list(riqueza_especies_mamiferos = 0)) #para cambiar nulo por 0

:::

##4 Mapa de riqueza de especies de mamíferos en regiones socioeconómicas

::: {.cell labe=‘mapa riqueza’ code- fold=‘show’}

# Paleta de colores de riqueza de especies
colores_riqueza_especies <-
  colorNumeric( palette = "Reds",
    domain = regiones_union_riqueza$riqueza_especies_mamiferos_regiones, 
    na.color = "transparent")

# Paleta de colores de especies
colores_especies <- colorFactor(
  palette = viridis(length(unique(mamiferos$species))), 
  domain = mamiferos$species
)

# Mapa leaflet
leaflet() |>
  setView(
    lng = -84.19452,
    lat = 9.572735,
    zoom = 7) |>
  addTiles(group = "Mapa general (OpenStreetMap)") |>
  addProviderTiles(
    providers$Esri.WorldImagery, 
    group = "Imágenes satelitales (ESRI World Imagery)"
  ) |> 
  addPolygons(
    data = regiones_union_riqueza,
    fillColor = ~ colores_riqueza_especies(regiones_union_riqueza$riqueza_especies_mamiferos_regiones),
    fillOpacity = 0.8,
    color = "black",
    stroke = TRUE,
    weight = 1.0,
    popup = paste(
      paste("<strong>region:</strong>", regiones_union_riqueza$region),
      paste("<strong>Riqueza de especies:</strong>", regiones_union_riqueza$riqueza_especies_mamiferos_regiones),
      sep = '<br/>'
    ),
    group = "Riqueza de especies"
  ) |>
  addScaleBar(
    position = "bottomleft", 
    options = scaleBarOptions(imperial = FALSE)
  ) |>    
  addLegend(
    position = "bottomleft",
    pal = colores_riqueza_especies,
    values = regiones_union_riqueza$riqueza_especies_mamiferos_regiones,
    group = "Riqueza de especies",
    title = "Riqueza de especies"
  ) |>
  addCircleMarkers(
    data = mamiferos,
    stroke = F,
    radius = 4,
    fillColor = ~colores_especies(mamiferos$species),
    fillOpacity = 1.0,
    popup = paste(
      paste0("<strong>Especie: </strong>", mamiferos$species),
      paste0("<strong>Localidad: </strong>", mamiferos$locality),
      paste0("<strong>Fecha: </strong>", mamiferos$eventDate),
      paste0("<strong>Fuente: </strong>", mamiferos$institutionCode),
      paste0("<a href='", mamiferos$occurrenceID, "'>Más información</a>"),
      sep = '<br/>'
    ),    
    group = "Registros de presencia"
  ) |>  
  addLegend(
    position = "bottomright",    
    pal = colores_especies,
    values = mamiferos$species,
    title = "Especies",
    group = "Registros de presencia"    
  ) |>  
  addLayersControl(
    baseGroups = c(
      "Mapa general (OpenStreetMap)", 
      "Imágenes satelitales (ESRI World Imagery)"
    ),
    overlayGroups = c(
      "Riqueza de especies",
      "Registros de presencia"
    )
  ) |>
  addResetMapButton() |>
  addSearchOSM() |>
  addMouseCoordinates() |>
  addFullscreenControl() |>
  hideGroup("Registros de presencia") 

:::

##5.1 - Gráfico de barras de riqueza de especies de mamíferos en regiones socioeconómicas ## Grafica Numero 1

::: {.cell labe=‘grafico riqueza’ code- fold=‘show’}

# Gráfico de barras de riqueza de especies de mamíferos en regiones socioeconómicas
grafico_barras <- 
  ggplot(data = regiones_union_riqueza, aes(x = reorder(region, riqueza_especies_mamiferos_regiones), y = riqueza_especies_mamiferos_regiones, text = paste("Región socioconomica:", region, "<br>Riqueza de especies:", riqueza_especies_mamiferos_regiones))) +
  geom_bar(stat = "identity", fill = "blue") +
  labs(title = "Riqueza mamíferos por región socioeconómica",
       x = "Región socioeconómica",
       y = "Riqueza de especies") +
  theme_minimal()

# Convertir a plotly
grafico_barras_plotly <- ggplotly(grafico_barras, tooltip = "text")

# Mostrar el gráfico interactivo
grafico_barras_plotly

:::

##5.2 - Gráfico de barras de cantidad de registros de presencia de Bradypus variegatus (perezoso de tres dedos) por año, desde 2000 (inclusive) hasta 2023 (inclusive) ## Grafica numero 2

::: {.cell labe=‘filtracion de bradypus’ code- fold=‘show’}

mamiferos_filtrada <- subset(mamiferos, select = c(species, year))

# Mostrar los datos filtrados
print(mamiferos_filtrada)
Simple feature collection with 43952 features and 2 fields
Geometry type: POINT
Dimension:     XY
Bounding box:  xmin: -90.43 ymin: 2.19 xmax: -81.99799 ymax: 11.17583
Geodetic CRS:  WGS 84
First 10 features:
                  species year                   geometry
1    Sphiggurus mexicanus 2007 POINT (-84.89204 10.51144)
2       Tapirella bairdii 2014 POINT (-83.48594 8.471918)
3       Tamandua mexicana 2014 POINT (-83.93874 10.16157)
4            Potos flavus 2012 POINT (-84.82967 10.32645)
5           Pecari tajacu 2012  POINT (-84.02052 10.4224)
6           Pecari tajacu 1997 POINT (-84.58786 9.745275)
7           Pecari tajacu 2013 POINT (-83.25783 8.658924)
8  Odocoileus virginianus 2013 POINT (-83.58982 8.480183)
9            Nasua narica 2007 POINT (-84.89204 10.51144)
10           Nasua narica 2007 POINT (-85.35416 10.73213)

:::

::: {.cell labe=‘grafico de bradypus’ code- fold=‘show’}

library(ggplot2)
library(plotly)

# Filtrar los datos de Bradypus variegatus por año
mamiferos_perezoso <- subset(mamiferos_filtrada, species == "Bradypus variegatus" & year >= 2000 & year <= 2023)

# Crear el gráfico de barras
grafico_bradypus <- ggplot(mamiferos_perezoso, aes(x = year)) +
  geom_bar(fill = "blue", stat = "count") +
  labs(title = "Cantidad de registros de Bradypus variegatus por año",
       x = "Año",
       y = "Cantidad de registros") +
  theme_minimal()

# Convertir el gráfico a plotly
grafico_bradypus_plotly <- ggplotly(grafico_bradypus, tooltip = c("x", "y"))

# Mostrar el gráfico interactivo
grafico_bradypus_plotly

:::

#Bibliografia 1. colaboradores de Wikipedia. (2023b). Mapa coroplético. Wikipedia, la enciclopedia libre. https://es.wikipedia.org/wiki/Mapa_coropl%C3%A9tico

  1. colaboradores de Wikipedia. (2023). Bradypus variegatus. Wikipedia, la enciclopedia libre. https://es.wikipedia.org/wiki/Bradypus_variegatus

  2. Download. (s. f.). https://www.gbif.org/occurrence/download/0031158-230530130749713

  3. Gf0604-Procesamientodatosgeograficos. (2023, 21 junio). 2023- i/datos/mideplan/regiones_socioeconomicas_simp_10m.geojson

  4. gf0604- procesamientodatosgeograficos/2023-i. GitHub. https://github.com/gf0604- procesamientodatosgeograficos/2023- i/blob/main/datos/mideplan/regiones_socioeconomicas_simp_10m.geojson

  5. Gf0604-Procesamientodatosgeograficos. (2023a, junio 17). 2023- i/datos/gbif/mamiferos.csv

  6. gf0604-procesamientodatosgeograficos/2023-i. GitHub. https://github.com/gf0604-procesamientodatosgeograficos/2023- i/blob/main/datos/gbif/mamiferos.csv

  7. Ortiz-Malavasi, E. (2014). Atlas de Costa Rica 2014. https://repositoriotec.tec.ac.cr/handle/2238/6749?show=full

  8. Quarto - HTML Theming. (s. f.-b). Quarto. https://quarto.org/docs/output-formats/htmlthemes.html

  9. Complete themes — ggtheme. (s. f.). https://ggplot2.tidyverse.org/reference/ggtheme.htm